1. DataX 概述及安装
DataX 是被广泛使用的数据同步工具，由阿里巴巴集团使用 Java 和 Python 开发，实现了包括 MySQL、Oracle、SqlServer、Postgre、HDFS、Hive、ADS、HBase、TableStore(OTS)、MaxCompute(ODPS)、DRDS 等各种异构数据源之间的高效数据同步功能。
Sqoop： HDFS 与 RDBMS 之间的 数据迁移 & 同步
DataX：上述任意两种数据源 之间的 数据迁移 & 同步
概述
为了解决异构数据源同步问题，DataX 将复杂的网状的同步链路变成了星型数据链路，DataX 作为中间传输载体负责连接各种数据源。当需要接入一个新的数据源的时候，只需要将此数据源对接到 DataX，便能跟已有的数据源做到无缝数据同步。
DataX 本身作为离线数据同步框架，采用 Framework + plugin 架构构建。将数据源读取和写入抽象成为Reader/Writer插件，纳入到整个同步框架中。
核心组件：
- Reader：数据采集模块，负责采集数据源的数据，将数据发送给 Framework；
- Writer： 数据写入模块，负责不断向 Framework 取数据，并将数据写入到目的端；
- Framework：用于连接 reader 和 writer，作为两者的数据传输通道，并处理缓冲，流控，并发，数据转换等核心技术问题。
经过几年积累，DataX 目前已经有了比较全面的插件体系，主流的 RDBMS 数据库、NOSQL、大数据计算系统都已经接入。
DataX 目前支持数据参见官网(https://github.com/alibaba/DataX/blob/master/introduction.md)。
DataX 3.0 开源版本支持单机多线程模式完成同步作业运行，本小节按一个 DataX 作业生命周期的时序图，从整体架构设计非常简要说明 DataX 各个模块相互关系。
核心模块
- DataX 完成单个数据同步的作业，称为 Job。
DataX 接受到一个 Job 之后，将启动一个进程来完成整个作业同步过程。
DataX Job 模块是单个作业的中枢管理节点，
承担了数据清理、子任务切分(将单一作业计算转化为多个子 Task)、TaskGroup 管理等功能。 - DataX Job 启动后，会根据不同的源端切分策略，
将 Job 切分成多个小的 Task(子任务)，以便于并发执行。
Task 是 DataX 作业的最小单元，每一个 Task 都会负责一部分数据的同步工作。 - 切分多个 Task 之后，DataX Job 会调用 Scheduler 模块，
根据配置的并发数据量，将拆分成的 Task 重新组合，组装成 TaskGroup(任务组)。
每一个 TaskGroup 负责以一定的并发运行完毕分配好的所有 Task，默认单个任务组的并发数量为 5。 - 每一个 Task 都由 TaskGroup 负责启动，
Task 启动后，会固定启动 Reader => Channel => Writer 的线程来完成任务同步工作。 - DataX 作业运行起来之后，Job 监控并等待多个 TaskGroup 模块任务完成，
等待所有 TaskGroup 任务完成后 Job 成功退出。
否则，异常退出，进程退出值非0。
DataX 3.0 六大核心优势
- 可靠的数据质量监控
- 丰富的数据转换功能
- 精准的速度控制
- 强劲的同步性能
- 健壮的容错机制
- 极简的使用体验
详情见官网(https://github.com/alibaba/DataX/blob/master/introduction.md)
DataX 安装配置
DataX 官网：https://github.com/alibaba/DataX
前置条件：Linux、JDK(1.8以上，推荐1.8)、Python(推荐Python2.6.X)
DataX 的安装比较简单，基本上是开箱即用：
- 下载 DataX 工具包：
http://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz - 下载后解压至本地某个目录，进入bin目录，即可运行同步作业
配置环境变量 DATAX_HOME
$ cd {YOUR_DATAX_HOME}/bin
$ python datax.py {YOUR_JOB.json}
$ python $DATAX_HOME/bin/datax.py $DATAX_HOME/job/job.json
自检脚本：python {YOUR_DATAX_HOME}/bin/datax.py {YOUR_DATAX_HOME}/job/job.json
- 测试
2. DataX 使用案例
Reader 和 Writer 插件
DataX3.0 版本提供的 Reader 插件和 Writer 插件，每种读插件都有一种和多种切分策略:
"reader": {
"name":"mysqlreader", #从 mysql 数据库获取数据（也支持 sqlserverreader, oraclereader）
"name":"txtfilereader", #从本地获取数据
"name":"hdfsreader", #从 hdfs文件、hive表获取数据
"name":"streamreader", #从 stream 流获取数据（常用于测试）
"name":"httpreader", #从 http URL 获取数据
}
"writer": {
"name":"hdfswriter", #向 hdfs、hive表写入数据
"name":"mysqlwriter ", #向 mysql 写入数据（也支持 sqlserverwriter, oraclewriter）
"name":"streamwriter ", #向 stream 流写入数据（常用于测试）
}
各种 Reader 插件、Writer 插件的参考文档：https://github.com/alibaba/DataX
json 配置文件模板
- 整个配置文件是一个 job 的描述；
- job 下面有两个配置项，content 和 setting，其中 content 用来描述该任务的源和目的端的信息，setting 用来描述任务本身的信息；
- content 又分为两部分，reader 和 writer，分别用来描述源端和目的端的信息；
- setting 中的 speed 项表示同时起几个并发执行该任务；
job 的基本配置
{
"job": {
"content": [{
"reader": {
"name":"",
"parameter": {}
},
"writer": {
"name":"",
"parameter": {}
}
}],
"setting": {
"speed": {},
"errorLimit": {}
}
}
}
job Setting 配置
{
"job": {
"content": [{
"reader": {
"name":"",
"parameter": {}
},
"writer": {
"name":"",
"parameter": {}
}
}],
"setting": {
"speed": {
"channel":1,
"byte":104857600
},
"errorLimit": {
"record":10,
"percentage":0.05
}
}
}
}
-
job.setting.speed（流量控制）
Job 支持用户对速度的自定义控制，channel 的值可以控制同步时的并发数，byte 的值可以控制同步时的速度。 -
job.setting.errorLimit（脏数据控制）
Job 支持用户对于脏数据的自定义监控和告警，包括对脏数据最大记录数阈值（record 值）或者脏数据占比阈值（percentage 值），当 Job 传输过程出现的脏数据大于用户指定的数量/百分比，DataX Job 报错退出。
应用案例：Stream ==> Stream
使用 streamreader + streamwriter（这种情况常用于测试）
配置文件：stream2stream.json
{
"job": {
"content": [{
"reader": {
"name": "streamreader",
"parameter": {
"sliceRecordCount": 10,
"column": [{
"type": "String",
"value": "hello DataX"
}, {
"type": "string",
"value": "DataX Stream To Stream"
}, {
"type": "string",
"value": "数据迁移工具"
}]
}
},
"writer": {
"name": "streamwriter",
"parameter": {
"encoding": "GBK",
"print": true
}
}
}],
"setting": {
"speed": {
"channel": 2
}
}
}
}
输入执行命令：
$ python $DATAX_HOME/bin/datax.py ../job/stream2stream.json
注：json 配置文件中设置了 sliceRecordCount = 10 和 channel = 2，因此共打印了 20 条数据